[发明专利]一种基于深度学习的脸部识别方法

说明书

本发明公开了一种基于深度学习的脸部识别方法，包括步骤S1，采集若干相貌相似的医院测试者的脸部深度数据和RGB脸部视频；步骤S2，将各RGB脸部视频均分为若干张RGB脸部图片；步骤S3，预存若干医院测试者的历史深度数据和历史RGB数据；步骤S4，引入RGB处理模型和深度处理模型，将若干RGB脸部图片和若干历史RGB数据输入RGB处理模型，输出第一相似度，以及将若干脸部深度数据和若干历史深度数据输入深度处理模型，输出第二相似度；步骤S5，根据预设的第一系数、预设的第二系数、第一相似度和第二相似度处理得到综合相似度；步骤S6，在综合相似度大于预设的第一相似度阈值时，输出脸部识别成功的识别结果。本发明提升了高相似度脸部数据之间的识别精度。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的脸部识别方法。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。在人脸识别的初始阶段，大多采用2D人脸信息作为输入，训练卷积神经网络模型来获取识别结果。虽然基于深度学习的2D人脸识别目前已经取得了比较大的进展，然而2D人脸识别容易受到妆容、姿态、光照和表情等影响，因此基于深度学习的2D人脸识别受环境影响较大，基于深度学习的2D人脸识别精度不高。3D人脸识别中包含有人脸的空间形状信息，因此相较于传统的2D人脸识别，3D人脸识别中包含信息更多，但是3D人脸识别开发难度比较大。

医院在办理住院登记以及病房入住的时候会用脸部识别，但是目前现有的脸部识别技术对于对于亲子、双胞胎等脸部相似度较高的人之间的识别准确度不够高，经常出现识别出错的情况，导致原本陪同患者治疗或探望患者的亲属被识别成入住的患者，进而生成患者曾离开医院的错误结果，因此亟需一种能够实现高相似度脸部数据之间的高精确度识别的脸部识别方法。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于深度学习的脸部识别方法，用于提升高相似度脸部数据之间的识别精度。

为实现上述目的，本发明提供了如下技术方案：一种基于深度学习的脸部识别方法，包括：

步骤S1，图像采集模块采集若干相貌相似的医院测试者的脸部深度数据和RGB脸部视频；

步骤S2，图像划分模块将各所述RGB脸部视频均分为若干张RGB脸部图片；

步骤S3，数据存储模块预存各所述医院测试者的历史深度数据和历史RGB数据至医院数据库；

步骤S4，相似度计算模块引入预先训练完成的RGB处理模型和深度处理模型，将若干所述RGB脸部图片和若干所述历史RGB数据输入所述RGB处理模型，输出第一相似度，以及将若干所述脸部深度数据和若干所述历史深度数据输入所述深度处理模型，输出第二相似度；

步骤S5，处理模块根据预设的第一系数、预设的第二系数、所述第一相似度和所述第二相似度处理得到综合相似度；

步骤S6，比较模块在所述综合相似度大于预设的第一相似度阈值时，输出脸部识别成功的识别结果。

进一步地，所述步骤S3与所述步骤S4之间包括：

步骤S4A，模型训练单元引入RGB初始模型，所述RGB初始模型的特征提取层提取所述历史RGB数据包含的若干第一历史特征数据以及同一医院测试者的所述RGB脸部图片中包含的若干第一实时特征数据，所述RGB初始模型计算得到所述第一历史特征数据和所述第一实时特征数据之间的第一初始相似度，并在所述第一初始相似度不大于预设的第二相似度阈值时，调整所述RGB初始模型的权重参数并重新训练，直至所述第一初始相似度大于所述第二相似度阈值，将此时的所述RGB初始模型作为所述RGB处理模型输出；